Doubly robust Methods for Recurrent Event Outcomes: Causal Effects of Blood Pressure Medications on Acute Kidney Injuries

Resumen Técnico: Métodos Doblemente Robustos para Resultados de Eventos Recurrentes

Planteamiento del Problema
Evaluar los efectos causales promedio (ACE, por sus siglas en inglés) de las estrategias de tratamiento sobre los resultados de eventos recurrentes (por ejemplo, episodios de lesión renal aguda) es crítico en la investigación clínica, pero metodológicamente desafiante. Los análisis estándar suelen fallar al abordar adecuadamente la complejidad de los entornos longitudinales que involucran tratamientos variables en el tiempo, confusión variable en el tiempo y falta de adherencia. Además, los estudios previos que estiman el ACE para eventos recurrentes se han centrado predominantemente en configuraciones de exposición puntual, pasando por alto los matices del cumplimiento sostenido del tratamiento. Adicionalmente, la presencia de "riesgos competitivos semi-competitivos", como la muerte, complica el análisis de los eventos recurrentes no terminales, ya que la muerte trunca el conjunto de riesgo para futuros eventos. Los datos del Ensayo de Intervención de Presión Arterial Sistólica (SPRINT) presentan un caso específico donde la gestión de la presión arterial intensiva frente a la estándar puede afectar diferencialmente las recurrencias de lesión renal aguda (LRA) y la mortalidad, requiriendo métodos de inferencia causal robustos para desentrañar estos efectos.

Metodología
Los autores proponen un marco basado en el modelo contrafáctico y la fórmula g longitudinal para estimar los efectos causales bajo tratamientos y regímenes de adherencia variables en el tiempo.

1. Estructura de Datos e Identificación:

   • El estudio define una estructura de datos longitudinal con variables basales ($L_0$), covariables variables en el tiempo ($L_k$), asignación de tratamiento ($Z$), adherencia variable en el tiempo ($A_k$) e indicadores de eventos recurrentes binarios ($Y_k$).
   • La identificación causal se basa en tres supuestos estándar: Intercambiabilidad Condicional, Positividad y Consistencia.
   • El estimando objetivo es el recuento acumulado esperado de eventos recurrentes ($E[R_{K+1}^{z, \bar{a}_K}]$) bajo regímenes de intervención específicos para el tratamiento ($z$) y la adherencia ($\bar{a}_K$). Esto se expresa mediante una forma de expectativa condicional iterativa (ICE).

2. Estimación Doblemente Robusta mediante TMLE:

   • Los autores extienden la Estimación de Máxima Verosimilitud Dirigida Longitudinal (TMLE) para manejar resultados de eventos recurrentes en una rejilla de tiempo discreta.
   • El método utiliza la Función de Influencia Eficiente (EIF) para construir estimadores que poseen doble robustez: el estimador sigue siendo consistente si tanto el modelo de puntuación de propensión (mecanismo de tratamiento/adherencia) como el modelo de regresión del resultado están correctamente especificados.
   • La implementación incorpora algoritmos de aprendizaje automático (por ejemplo, Extreme Gradient Boosting, Modelos Aditivos Generalizados) para la estimación de funciones de confusión, con el fin de mitigar el sesgo por especificación incorrecta del modelo.
   • El algoritmo implica un proceso de actualización iterativo donde los modelos de regresión del resultado se ajustan utilizando un parámetro de fluctuación derivado de las puntuaciones de propensión para dirigirse al estimando específico.

3. Manejo de Riesgos Semi-Competitivos:

   • Para abordar el problema de la muerte que trunca la observación de eventos recurrentes, la muerte ($D_k$) se modela no como un evento de censura para ser eliminado, sino como un riesgo semi-competitivo.
   • La muerte se incorpora como un componente de las covariables variables en el tiempo ($L_k^*$), con una relación determinista donde la muerte implica el cese de futuros eventos de LRA ($D_k=1 \implies Y_k=0$). Esto permite la estimación del efecto total, que incluye las vías mediadas por la muerte.

Contribuciones Clave

• Extensión Metodológica: El artículo formaliza los estimandos causales objetivo y las estructuras de datos para resultados de eventos recurrentes bajo tratamiento y adherencia variables en el tiempo, extendiendo el TMLE longitudinal a este contexto específico.
• Implementación Práctica: Proporciona una guía de implementación transparente y paso a paso (Algoritmo 1) para construir estimadores doblemente robustos utilizando aprendizaje automático, facilitando su aplicación en estudios del mundo real.
• Manejo de la Complejidad: El marco aborda explícitamente la confusión variable en el tiempo, la falta de adherencia (permitiendo tanto análisis de Intención de Tratar como de Per Protocolo) y el riesgo semi-competitivo de la muerte sin depender de intervenciones hipotéticas que eliminen la muerte.

Resultos (Aplicación SPRINT)
Los métodos propuestos se aplicaron al conjunto de datos SPRINT (9,322 sujetos) para evaluar los efectos de la terapia de reducción de la presión arterial intensiva ($<120$ mm Hg) frente a la estándar ($<140$ mm Hg) sobre las recurrencias de LRA durante un período de cuatro años.

• Efecto Total de Intención de Tratar (ITT): Asignar a los pacientes a la terapia intensiva resultó en un aumento estadísticamente significativo de los eventos de LRA en comparación con la terapia estándar. La diferencia estimada fue de 0.019 (IC 95%: [0.011, 0.026]).
• Efecto Total de Per Protocolo (PP): Bajo un escenario hipotético de adherencia total a los regímenes asignados, el grupo de terapia intensiva también mostró un número de recurrencias de LRA marginalmente mayor en comparación con el grupo estándar. La diferencia estimada fue de 0.017 (IC 95%: [0.007, 0.027]).
• Efectos de la Adherencia: Los análisis suplementarios del Efecto de Intervención Poblacional (PIE) para la adherencia indicaron que pasar de la adherencia observada a la adherencia total tuvo un impacto insignificante en las tasas de recurrencia de LRA, lo que sugiere que la similitud entre los estimadores ITT y PP se debe a la alta adherencia basal en la población del estudio.
• Robustez: Los análisis de sensibilidad respecto a la discretización temporal (bianual vs. anual) y el uso de diferentes algoritmos de aprendizaje automático (GLM, XGB, GAM) arrojaron resultados consistentes, confirmando la robustez de las conclusiones causales.

Significancia y Reivindicaciones
El artículo sostiene que su metodología ofrece un enfoque riguroso para estimar el efecto causal total de las estrategias de tratamiento sobre eventos recurrentes en presencia de riesgos semi-competitivos. Al tratar la muerte como un evento de truncamiento en lugar de un mecanismo de censura que deba hipotéticamente eliminarse, los autores argumentan que su enfoque refleja con mayor precisión las implicaciones de salud pública en el mundo real que los métodos que dependen de efectos directos controlados (los cuales requieren supuestos sobre la eliminación de la muerte que pueden estar mal definidos).

Los autores concluyen que, si bien la reducción intensiva de la presión arterial reduce la mortalidad, está asociada con un aumento marginal en la frecuencia de los episodios recurrentes de LRA. Enfatizan que su marco TMLE, potenciado por el aprendizaje automático y doblemente robusto, proporciona una herramienta fiable para que clínicos e investigadores naveguen los compromisos entre los beneficios cardiovasculares y los riesgos renales en estudios longitudinales con estructuras de adherencia y riesgos competitivos complejos. El artículo señala modestamente que la validez de la definición de adherencia depende del supuesto de que las mediciones de adherencia a nivel de intervalo reflejan fielmente la adherencia real, una limitación que puede ser más pronunciada en poblaciones con menores tasas de cumplimiento.